Unsupervised domain adaptation for cross-modality liver segmentation via joint adversarial learning and self-learning

计算机科学 人工智能 分割 模式识别(心理学) 深度学习 无监督学习 机器学习 稳健性(进化) 生物化学 化学 基因
作者
Jin Hong,Simon C.H. Yu,Weitian Chen
出处
期刊:Applied Soft Computing [Elsevier]
卷期号:121: 108729-108729 被引量:54
标识
DOI:10.1016/j.asoc.2022.108729
摘要

Liver segmentation on images acquired using computed tomography (CT) and magnetic resonance imaging (MRI) plays an important role in clinical management of liver diseases. Compared to MRI, CT images of liver are more abundant and readily available. However, MRI can provide richer quantitative information of the liver compared to CT. Thus, it is desirable to achieve unsupervised domain adaptation for transferring the learned knowledge from the source domain containing labeled CT images to the target domain containing unlabeled MR images. In this work, we report a novel unsupervised domain adaptation framework for cross-modality liver segmentation via joint adversarial learning and self-learning. We propose joint semantic-aware and shape-entropy-aware adversarial learning with post-situ identification manner to implicitly align the distribution of task-related features extracted from the target domain with those from the source domain. In proposed framework, a network is trained with the above two adversarial losses in an unsupervised manner, and then a mean completer of pseudo-label generation is employed to produce pseudo-labels to train the next network (desired model). Additionally, semantic-aware adversarial learning and two self-learning methods, including pixel-adaptive mask refinement and student-to-partner learning, are proposed to train the desired model. To improve the robustness of the desired model, a low-signal augmentation function is proposed to transform MRI images as the input of the desired model to handle hard samples. Using the public datasets, our experiments demonstrated the proposed unsupervised domain adaptation framework reached four supervised learning methods with a Dice score 0.912 ± 0.037 (mean ± standard deviation).
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
nyfz2002发布了新的文献求助10
1秒前
丰富的高山完成签到,获得积分10
1秒前
Kenny发布了新的文献求助10
1秒前
雪天的阳完成签到 ,获得积分10
2秒前
温酒筚篥发布了新的文献求助30
2秒前
2秒前
molly完成签到,获得积分10
4秒前
科研通AI2S应助奋斗的荆采纳,获得10
4秒前
YY_PLY完成签到 ,获得积分10
4秒前
突突突发布了新的文献求助10
5秒前
合适书芹完成签到,获得积分10
5秒前
6秒前
6秒前
林一木完成签到,获得积分10
7秒前
万能图书馆应助程哲瀚采纳,获得10
7秒前
ABC完成签到,获得积分10
7秒前
巧克力完成签到 ,获得积分10
7秒前
yulian完成签到,获得积分10
7秒前
黑色幽默发布了新的文献求助10
7秒前
等等完成签到,获得积分20
7秒前
勤恳完成签到,获得积分10
7秒前
每文完成签到,获得积分10
9秒前
ljz发布了新的文献求助10
9秒前
9秒前
yu完成签到 ,获得积分10
9秒前
10秒前
Tangerine发布了新的文献求助10
10秒前
侠医2012完成签到,获得积分10
10秒前
11秒前
11秒前
12秒前
wyw123完成签到,获得积分10
13秒前
Ivy完成签到,获得积分10
13秒前
晴空万里完成签到,获得积分10
13秒前
减减完成签到,获得积分10
14秒前
CodeCraft应助等等采纳,获得10
14秒前
14秒前
萝卜猪完成签到,获得积分10
15秒前
光之战士发布了新的文献求助10
15秒前
berkelerey12138完成签到,获得积分10
16秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3099895
求助须知:如何正确求助?哪些是违规求助? 2751334
关于积分的说明 7613172
捐赠科研通 2403314
什么是DOI,文献DOI怎么找? 1275235
科研通“疑难数据库(出版商)”最低求助积分说明 616318
版权声明 599053